I. Introduction
I.1. Contexte
Nous avons selectionné un data set se nommant : “World Hapiness Report up to 2022”. Celui-ci classe 155 pays en fonction de leur niveau de bonheur. Le premier rapport a été publié en 2012. En ce qui nous concerne, nous souhaitons étudier les rapports de 2015 à 2022.
Ces données proviennent du site Kaggle (disponible sur ce lien) dont l’auteur Mathurin Aché les a extraites des “World Happiness Report”, publiés par le Earth Institute.
Les données sont tirées des sondages du Gallup World Poll. Elles sont basées sur les réponses à la principale question d’évaluation de la vie posée dans les sondages. Appelée l’échelle de Cantril, elle demande aux personnes interrogées de penser à une échelle, la meilleure vie possible pour elles étant un 10 et la pire étant un 0. Il leur est ensuite demandé d’évaluer leur propre vie actuelle sur cette échelle de 0 à 10. Les classements sont issus d’échantillons représentatifs au niveau national.
Nous avons choisi pour ce projet d’analyser ces rapports car ils sont reconnu mondialement. En effet, ils peuvent être utilisés par les gouvernements et les organisations pour éclairer leur choix politiques. De plus, ces données nous parraissaient intéresssantes à étudier, puisque des experts décisionnaires les utilisent également dans de nombreux domaines :
- Questions financières
- Recherche sur le cerveau
- Enquête générale
- Perspectives nationales
- Bien-être
Ceux-ci permettent de donner des estimations du bien-être et évaluer les progrès des pays. Ainsi, nous pensons que l’étude et la visualisation des données contenues dans ce dataset nous permettrait de mettre en lien les différents paramètres pouvant influer sur le bonheur des pays.
I.2. Description détaillée des données
2.1. Description des variables
Notre dataset est composé de 7 fichiers au format .csv, chacun représentant respectivement les données de chacunes des années de 2015 à 2022 d’au moins 146 pays. Les différentes variables que nous pouvons retrouver et exploiter dans notre dataset sont :
Country name: Il s’agit du nom du pays évaluéRegional indicator: Un indicateur précisant la région du monde dans laquelle se trouve le pays observéLadder score: Médiane du score du bonheur donné dans les sondagesStandard error of ladder score: L’erreur estimée sur le score du bonheurupperwhisker: Le maximum du boxplot des réponses données dans les sondageslowerwhisker: Le minimum du boxplot des réponse données dans les sondagesLogged GDP per capita: Le PIB (Produit Intérieur Brut) par habitants dans le paysSocial support: Notion polysémique qui désigne l’intégration d’un individu divisé par le nombre de relation avec autruiHealthy life expectancy: L’espérance de vie moyenne dans le pays concernéFreedom to make life choices: Score désignant la liberté des choix de vie de la populationGenerosity: Le score de la générosité de la population dans le paysPerceptions of corruption: Le score représentant la perception de la corruption dans le pays de la populationLadder score in Dystopia: Moyenne de score de bonheur dans le cas d’une DystopieExplained by: Log GDP per capita: Part du score du bonheur expliqué par le PIB par habitantsExplained by: Social support: Part du score du bonheur expliqué par le support socialExplained by: Healthy life expectancy: Part du score du bonheur expliqué par l’espérance de vieExplained by: Freedom to make life choices: Part du score du bonheur expliqué par la liberté de choix de vieExplained by: Generosity: Part du score du bonheur expliqué par la générositéExplained by: Perceptions of corruption: Part du score du bonheur expliqué par la corruptionDystopia + residual: Restant des parts du score du bonheur pouvant être expliqué par le score du bonheur dans une le cas d’une Dystopie ajouté aux résidus
2.2. Description des données au sein des fichiers du dataset
Voici la description des variables pour chacunes des années du dataset :
2015
158 individus
12 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 Country 158 non-null object
1 Region 158 non-null object
2 Happiness Rank 158 non-null int64
3 Happiness Score 158 non-null float64
4 Standard Error 158 non-null float64
5 Economy (GDP per Capita) 158 non-null float64
6 Family 158 non-null float64
7 Health (Life Expectancy) 158 non-null float64
8 Freedom 158 non-null float64
9 Trust (Government Corruption) 158 non-null float64
10 Generosity 158 non-null float64
11 Dystopia Residual 158 non-null float642016
157 individus
13 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 Country 157 non-null object
1 Region 157 non-null object
2 Happiness Rank 157 non-null int64
3 Happiness Score 157 non-null float64
4 Lower Confidence Interval 157 non-null float64
5 Upper Confidence Interval 157 non-null float64
6 Economy (GDP per Capita) 157 non-null float64
7 Family 157 non-null float64
8 Health (Life Expectancy) 157 non-null float64
9 Freedom 157 non-null float64
10 Trust (Government Corruption) 157 non-null float64
11 Generosity 157 non-null float64
12 Dystopia Residual 157 non-null float642017
155 individus
12 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 Country 155 non-null object
1 Happiness.Rank 155 non-null int64
2 Happiness.Score 155 non-null float64
3 Whisker.high 155 non-null float64
4 Whisker.low 155 non-null float64
5 Economy..GDP.per.Capita. 155 non-null float64
6 Family 155 non-null float64
7 Health..Life.Expectancy. 155 non-null float64
8 Freedom 155 non-null float64
9 Generosity 155 non-null float64
10 Trust..Government.Corruption. 155 non-null float64
11 Dystopia.Residual 155 non-null float642018
156 individus
9 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 Overall rank 156 non-null int64
1 Country or region 156 non-null object
2 Score 156 non-null float64
3 GDP per capita 156 non-null float64
4 Social support 156 non-null float64
5 Healthy life expectancy 156 non-null float64
6 Freedom to make life choices 156 non-null float64
7 Generosity 156 non-null float64
8 Perceptions of corruption 155 non-null float642019
156 individus
9 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 Overall rank 156 non-null int64
1 Country or region 156 non-null object
2 Score 156 non-null float64
3 GDP per capita 156 non-null float64
4 Social support 156 non-null float64
5 Healthy life expectancy 156 non-null float64
6 Freedom to make life choices 156 non-null float64
7 Generosity 156 non-null float64
8 Perceptions of corruption 156 non-null float642020
153 individus
20 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 Country name 153 non-null object
1 Regional indicator 153 non-null object
2 Ladder score 153 non-null float64
3 Standard error of ladder score 153 non-null float64
4 upperwhisker 153 non-null float64
5 lowerwhisker 153 non-null float64
6 Logged GDP per capita 153 non-null float64
7 Social support 153 non-null float64
8 Healthy life expectancy 153 non-null float64
9 Freedom to make life choices 153 non-null float64
10 Generosity 153 non-null float64
11 Perceptions of corruption 153 non-null float64
12 Ladder score in Dystopia 153 non-null float64
13 Explained by: Log GDP per capita 153 non-null float64
14 Explained by: Social support 153 non-null float64
15 Explained by: Healthy life expectancy 153 non-null float64
16 Explained by: Freedom to make life choices 153 non-null float64
17 Explained by: Generosity 153 non-null float64
18 Explained by: Perceptions of corruption 153 non-null float64
19 Dystopia + residual 153 non-null float642021
149 individus
20 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 Country name 149 non-null object
1 Regional indicator 149 non-null object
2 Ladder score 149 non-null float64
3 Standard error of ladder score 149 non-null float64
4 upperwhisker 149 non-null float64
5 lowerwhisker 149 non-null float64
6 Logged GDP per capita 149 non-null float64
7 Social support 149 non-null float64
8 Healthy life expectancy 149 non-null float64
9 Freedom to make life choices 149 non-null float64
10 Generosity 149 non-null float64
11 Perceptions of corruption 149 non-null float64
12 Ladder score in Dystopia 149 non-null float64
13 Explained by: Log GDP per capita 149 non-null float64
14 Explained by: Social support 149 non-null float64
15 Explained by: Healthy life expectancy 149 non-null float64
16 Explained by: Freedom to make life choices 149 non-null float64
17 Explained by: Generosity 149 non-null float64
18 Explained by: Perceptions of corruption 149 non-null float64
19 Dystopia + residual 149 non-null float642022
147 individus
12 variables
# Variables Non-Null Count Dtype
--- ------ -------------- -----
0 RANK 147 non-null int64
1 Country 147 non-null object
2 Happiness score 146 non-null object
3 Whisker-high 146 non-null object
4 Whisker-low 146 non-null object
5 Dystopia (1.83) + residual 146 non-null object
6 Explained by: GDP per capita 146 non-null object
7 Explained by: Social support 146 non-null object
8 Explained by: Healthy life expectancy 146 non-null object
9 Explained by: Freedom to make life choices 146 non-null object
10 Explained by: Generosity 146 non-null object
11 Explained by: Perceptions of corruption 146 non-null objectII. Plan d’analyse
Comme décrit précédemment, ce data set contient au minimum une dizaine de variables par année, ainsi, il serait intéressant de comparer les variables qui sont similaires par année et d’observer leur évolution par pays. En effet, cette première analyse pourra nous permettre de visualiser comment un événement peut impacter le bonheur des populations en fonction d’où ils se trouvent dans le monde. On peut prendre l’exemple du COVID, quel impact a-t-il eu sur les différentes populations et sinon pourquoi ? Comment l’expliquer ? Les mesures étaient elles les mêmes ?
De plus, nous souhaitons également analyser et comparer des variables telles que la générosité des populations dans des pays instables ou en guerre avec des pays dit en paix. Cette analyse permettrait de visualiser l’entraide et le soutien naturel durant les situations de crises. D’autre part, nous pouvons par exemple mener une analyse sur la variable de Happiness score ou l’espérance de vie moyenne et les comparer à différentes régions du monde, on pourrait ainsi en déduire que le climat, la zone géographique peut influer sur le bonheur et l’espérance de vie moyenne.
Enfin, il serait intéressant d’étudier les corrélations entre différentes variables sur plusieurs années, telles que l’étude de la durée de vie moyenne avec la générosité ou le Happiness score. Cette étude de corrélation pourrait ainsi nous permettre d’observer que plus on est heureux, plus notre espérance de vie est élevée.
En somme, nous souhaitons :
Étudier l’évolution des différentes variables communes en fonction des années,
Comparer les variables sur différents types de pays, régions du monde,
Analyser les corrélations entre différentes variables ou individus.
À noter que certaines variables ne sont pas comparées de la même manière en fonction des différentes années, on peut prendre l’exemple de la variable Happinness score en 2015, dont on donne la variance alors qu’en 2016, un intervalle de confiance a été calculé. Ainsi, il faudra traiter nos données de sorte que ce type de différences, ne pose pas problème lors des visualisations. Nous devrons donc faire attention au sens et à l’exploitation des variables en fonction des différentes années.
III) Exploration
A. Data Cleaning
Afin d’effectuer des visualisations sur les différents datasets concernant les scores du bonheur, de générosité, de corruption, etc., dans le monde entre 2015 et 2021, nous devons effectuer un pré-traitement des données. En effet, les datasets ne peuvent pas être utilisés dans l’état, car ils ne sont pas organisés de la même manière et certaines données sont parfois manquantes.
Dans un premier temps, les données seront donc standardisées de sorte que :
Le nom de chaque variable soit le même dans tous les datasets. En effet, les variables ne sont pas toutes les mêmes en fonction des années et certaines n’existent tout simplement pas d’une année à l’autre,
Les variables soient calculées de la même manière dans chacun des datasets. Ainsi, on normalisera le PIB et le Score de Corruption qui ne sont pas calculés de la même manière pour différentes années, il faudra également modifier le Score d’espérance de vie en 2020 et 2021,
Chaque pays sera associé à une même région dans chacun des datasets,
Enfin, une dernière colonne est ajoutée à chacun des datasets contenant l’année de prise des observations. Celle-ci permettra de faire des analyses sur plusieurs années et ainsi d’étudier les évolutions pour différents scores.
Une fois ces modifications faites, il sera plus aisé de créer des visualisations et de les interpréter.
B.Les visualisations
Cette partie sera divisée en plusieurs sous-parties liées à différentes questions et donc différentes visualisations et interprétations. Pour commencer, une analyse sera effectuée sur une carte du monde représentant les différents niveaux de bonheur en 2015 puis son évolution. De plus, nous avons fait le choix d’étudier dans les parties suivantes, i.e., B.2 à B.4, des scatterplot, de manière à faire une première exploration des données et avoir ainsi une idée des différentes relations entre les variables. Dans un premier temps, nous essaierons de répondre à la question : “Est-ce qu’habiter dans un pays corrompu signifie avoir un PIB bas ?”dans la partie B.1, au travers de scatterplot sur plusieurs années étudiés un à un.
Puis dans les parties :
- B.2 : Scatterplot en 2015 en fonction des régions et pays du lien entre le PIB et le Score de générosité,
- B.3 : Scatterplot en 2015 et GIF animé sur plusieurs années en fonction des régions et pays du lien entre le Score de bonheur et le Score de générosité,
- B.4 : Scatterplot en 2015 et GIF animé sur plusieurs années du Score de bonheur en fonction du PIB,
Nous avons ici fait le choix d’observer et interpréter plus précisément les scatterplot de l’année 2015 puisque ce sont les datasets avec le plus de données. Ces interprétations seront complétées par d’autres visualisations dans les parties suivantes, mais également grâce à des GIF animés qui donneront l’évolution de ces scatterplot sur plusieurs années. De plus, ce rapport a été pensé de telle sorte à avoir pour la plupart des visualisations une fonction dynamique qui les génère en fonction des paramètres choisis. Ces fonctions serviront également pour coder la shinyApp. C’est pourquoi nous n’avons pas effectué de screens des visualisations de notre application.
B.0) Carte du monde de 2015 à 2021 du score de bonheur
Pour commencer notre analyse, nous avons tout d’abord souhaité avoir une vision d’ensemble des scores de bonheur des pays présent dans nos différents jeux de données. Pour cela, nous avons réalisé une carte du monde représentant chacun des pays colorés en fonction de leur score de bonheur.
B.0.1) 2015
Nous commençons par nous intéresser à l’année 2015.
Nous pouvons observer que sur l’année 2015, les pays ayant le score de bonheur le plus faible sont globalement, les pays ayant le PIB le plus faible. La corrélation entre le PIB et le Score de bonheur ne se vérifie pas pour tous les pays, nous pouvons prendre l’exemple du Pérou qui occupe la 58 place du classement des Scores de bonheur avec un PIB de 0.13 et le Gabon qui lui occupe la 143 place avec un PIB de 0.53. Cet écart significatif peut, peut-être s’expliquer par une mauvaise distribution des richesses. Nous pourrons par la suite essayer de vérifier cette affirmation par l’observation du score de corruption dans ses différents pays. En parcourant la carte, nous pouvons aussi remarquer que, bien qu’il ne soit pas le continent le plus riche du monde, les habitants d’Amérique du Sud se déclarent plutôt heureux. L’Amérique du Nord et l’Europe sont, eux, à la tête du classement.
B.0.2) GIF du score de bonheur dans le monde de 2015 à 2021
Nous pouvons voir grâce au Gif précédent que le Score de bonheur semble diminuer sur presque toute la planète au cours de cette période. Les pays les plus pauvres, déjà peu heureux semblent être les pays avec le plus fort déclin. Nous pouvons aussi remarquer une chute notable du score de bonheur en Amérique Latine, en Afrique et en Asie. La baisse du score de bonheur en Europe, Amérique du Nord et en Océanie semble moins rapide, mais elle est néanmoins effective.
B.1) Scatterplot de 2015 à 2021 du PIB en fonction du Score de corruption
Dans un premier temps, nous souhaitons réaliser des visualisations répondant à la question : « Est-ce qu’habiter dans un pays corrompu signifie avoir un PIB bas ? ” Pour ce faire, nous réalisons un scatterplot des PIB en fonction du Score de corruption des pays présents dans chacun des datasets par année. Notons, les pays ayant un Score de corruption proche de 0 sont des pays perçue comme corrompu.
B.1.1) 2015
Nous allons faire, ici, une première visualisation sur l’année 2015. Pour ce faire, une fonction a été créée, celle-ci sera appliquée sur les datasets allant de 2015 à 2021.
La visualisation précédente montre que plus le Score de corruption est élevé, c’est-à-dire moins le pays est corrompu, moins le PIB a de chance d’être bas. Cependant, ce n’est pas parce que le Score de corruption est faible que le PIB l’est aussi. Mais plus le Score de corruption est fort moins le pays a de chances d’avoir un PIB faible. D’ailleurs, cette observation se confirme avec l’allure de la geom_smooth().
Notons que ces résultats sont à prendre avec précautions ! En effet, pour le Score de corruption, il s’agit d’un score ressenti, de perception, i.e., les populations donnent leur ressenti sur la question de la corruption au sein de leur pays.
En 2015, par exemple, le pays avec le plus fort Score de corruption est le Rwanda. Cela peut paraître surprenant, mais lors de cette année, il y eut un référendum très important visant à faire une réévaluation de la constitution. Celui-ci a entre autres, fait passer la durée du mandat du président de sept à cinq ans.
De plus, depuis 2015, le Rwanda mène une lutte acharnée à la corruption. Le Rwanda a été classé premier en Afrique de l’Est en matière de lutte anti-corruption dans le rapport de Transparency International en 2015. Singapour, le Danemark, la Suède, la Finlande, la Nouvelle-Zélande ont également de très hauts scores de corruption. Cette observation n’est pas étonnante, en effet, les causes de la corruption sont souvent politiques, et judiciaires. Le graphique met en évidence qu’elle est globalement plus faible dans les pays à régime démocratique.
En effet, la Suède, le Danemark, et la Nouvelle-Zélande sont des monarchie constitutionnelle, le roi n’a donc plus de pouvoirs. Ce sont est donc des démocraties parlementaires dans lesquelles le pouvoir émane du peuple. La Finlande, quant à elle, est une république parlementaire. Singapour, a un système républicain à régime parlementaire. Néanmoins, Singapour n’est pas totalement considéré comme une démocratie, pour différents points :
- L’état contrôle les médias,
- La peine de mort est légale,
- Les grèves ne sont pas autorisées.
Enfin, la Qatar fait exception à ce qui a été expliquée précédemment. En effet, la Qatar est une monarchie absolue où l’Emir est le chef de l’état et du gouvernement. La loi est basée sur la Charia. Ce Score de corruption si élevé peut ainsi s’expliquer par le niveau de vie très élevé au Qatar. En effet, on remarque que plus un pays à un PIB élevé, plus il a de chance de ne pas être considéré comme corrompu par les populations. En effet, le revenu par habitant est de 50 000 euros par an. Ceci est dû aux ressources fossiles (Gaz naturel) et au tourisme qui font fonctionner l’économie du pays. Le Qatar est par ailleurs, le cinquième producteur de gaz naturel du monde après la Russie, les États-Unis, le Canada et l’Iran ; il est devenu le premier exportateur de gaz naturel liquéfié.
Ainsi, il est important de rappeler que ces indicateurs sont à prendre avec précautions et du recul, afin d’avoir tous les éléments pour les interpréter au mieux. En effet, même si le Qatar n’est pas perçu par les populations comme corrompu, on ne peut pas en dire de même pour le reste du monde. En 2015, notamment, une polémique avait éclaté concernant des achats de votes pour le mondial de Handball.
Le code suivant permet de confirmer quel est le pays où le Score de corruption est le plus élevé, i.e., le pays le moins corrompu.
## [1] "Rwanda"## [1] -1.548065B.1.2) 2016
Ce graphique est très similaire à celui de 2015. En effet, dans l’ensemble plus le Score de corruption est haut, plus les pays ont des PIB élevés. Néanmoins, la réciproque n’est pas vraie. Ce n’est pas parce que le Pays a un haut PIB que le Score de corruption est haut !
De plus, le graphique en 2016 met aussi en évidence, le fait que la Suisse a un Score de corruption et PIB très élevé. Le revenu par habitant est d’environ 87 000 euros. De plus, la Suisse est un état démocratique, mêlant démocratie directe et représentative, et se caractérise par sa neutralité vis à vis des politiques étrangères.
B.1.3) 2017
Ce graphique donne des informations similaires aux graphiques précédents. Ce scatterplot accentue le fait que plus le Score de corruption est élevé (c.a.d. moins de corruption) plus le pays a un fort PIB.
D’ailleurs, en 2017, c’est Singapour qui a un des meilleurs Score de corruption et PIB. En effet, dans la région de l’Asie du Sud-Est, où se situe Singapour, la lutte anti-corruption est unique. En effet, cet état insulaire s’est développé économiquement très rapidement dans les années 1990. Ainsi, dans les années suivant son indépendance, la lutte contre la corruption a été très importante puisque cela permettait d’avoir un avantage concurrentiel de taille afin d’attirer les entreprises étrangères et de les pousser à investir dans le pays. C’est pourquoi en 2017 le Score de corruption qui est un score d’anti-corruption est aussi haut.
B.1.4) 2018
En 2018, nous avons décidé d’afficher les noms des pays avec des PIB très élevé. Il est ainsi aisé de remarquer que le Score de corruption du Qatar a drastiquement baissé. En effet, en 2018, il éclate une polémique concernant des soi-disant “Pot de vins” qui aurait été versée concernant l’attribution de certains votes pour le Qatar comme pays hôte de la coupe du monde 2022. Cette polémique pourrait donc expliquer la baisse du Score de corruption.
b.1.5) 2019
Ce graphique donne des informations similaires aux graphiques précédents.
B.1.6)2020
Ici, le PIB et le score de corruption sont calculés d’une manière différente ! C’est pourquoi, les données ont été traitées au préalable. En 2020, le nombre de pays ayant un Score de corruption faible est plus important qu’en 2019. En effet, les quelques pays ayant un haut Score de corruption et un faible PIB, ont un Score de corruption qui a baissé (sauf pour le Rwanda qui reste constant). L’année 2020 dresse un tableau sombre de l’état de la corruption dans le monde. Plus de 3/4 des pays ont un score inférieur à 1. Ceci peut être expliqué par la crise sanitaire du covid qui a engendré énormément de mouvement complotiste, de théorie du complot autour de l’apparition du virus et de la manière de le traiter…
En revanche, on fait le même constat que précédemment, moins un pays est corrompu et plus le PIB est haut. La réciproque étant toujours fausse.
B.1.7) 2021
On peut ici, faire le même constat qu’en 2020.
B.2) Scatterplot en 2015 en fonction des régions et pays du lien entre PIB et Score de générosité
Dans cette partie, sera tracé un scatterplot en 2015 du Score de générosité en fonction du PIB mettant en évidence les différentes régions du monde, ainsi qu’un GIF animé permettant d’observer l’évolution du scatterplot sur plusieurs années. Ainsi, nous tenterons de répondre grâce aux différentes visualisations aux questions suivantes : “Est-ce qu’un pays riche est généreux ?”,“Existe t-il une corrélation entre pays riches et pays généreux ?”,” Est-ce qu’il existe un lien entre les différentes régions du monde et le Score de générosité, et le PIB ?“.
B.2.1) 2015
Dans un premier temps, une fonction generate_scatter_GDP_Generosity est créée permettant par la suite de représenter facilement le scatterplot pour n’importe quelle année. Cette fonction sera notamment très utile pour la shinyApp. En effet, elle permettra à l’utilisateur de pouvoir tracer le graphe de manière totalement dynamique. Une fois, la fonction crée, nous l’utilisons afin de tracer le scatterplot pour l’année 2015.
Ici, le scatterplot ne met pas en évidence une corrélation linéaire entre le PIB et le Generosity_Score. En revanche, on remarque de prime à bord que ce ne sont pas les pays les plus riches qui sont les plus généreux. En effet, les pays des régions :
- Europe de l’Ouest,
- Amérique du nord et Océanie.
jouissent de PIB très élevés, mais ne sont pas très généreux en comparaison à des pays avec des PIB beaucoup plus faible.
Par ailleurs, le graphique met en lumière que les pays ayant un Score de générosité élevé n’ont pas un haut PIB (PIB). En effet, les pays les plus généreux en 2015 se situent en :
- Asie du sud est,
- Afrique subsaharienne,
- Moyen Orient et Afrfique du nord,
- Amérique latine et Caraïbes,
Ce sont donc des régions du monde assez défavorisées. En effet, leur PIB est faible.
Ici, par exemple, le pays le plus généreux est Myanmar (Ex- Birmanie). C’est un pays de l’Asie du Sud-est. Le Myanmar est un pays de contradictions. Son système de soins de santé est l’un des pires au monde. Il en va de même pour l’éducation. Mais une chose dont il ne manque pas, c’est la générosité. Malgré son statut de pays le moins avancé, il est le premier pays le plus généreux au monde.
De plus, rappelons que le Score de générosité n’est pas calculé en faisant la somme totale de l’argent donnée pour une cause ou une autre, mais l’acte de donner lui-même, sous la forme de trois comportements caritatifs spécifiques.
L’enquête mondiale Gallup s’est donc déroulée en demandant à des personnes de 145 pays les questions suivantes :
- “Au cours du mois dernier, avez-vous donné de l’argent à une organisation caritative ?”,
- “Donner du temps à une organisation ?”,
- “Aidé un étranger ou une personne que vous ne connaissiez pas et qui avait besoin d’aide ?”
Lorsque l’on fait la moyenne des résultats aux trois questions, le Myanmar arrive en tête.
En effet, ce pays est empreint par les traditions et l’influence du bouddhisme. Dans leur croyance, tous les bons actes faits, dans cette vie, auront des conséquences pour la prochaine vie et seront récompensés. Ainsi, plus une personne acquiert de mérite maintenant, plus elle augmente ses chances d’avoir une meilleure vie après.
Ce graphique peut ainsi laisser penser que la générosité est une valeur culturelle puisque pour certaines régions comme l’Afrique subsaharienne, le score de générosité semble assez uniforme. Nous tenterons de vérifier et de compléter cette observation par des violin charts dans la partie B.11.2).
B.2.2) Création de l’animation du scatterplot PIB/Générosité au fil des années
Ensuite, pour pouvoir observer l’évolution du Score de générosité en fonction du PIB une animation sur différentes années. Pour pouvoir obtenir des mouvements fluides, nous avons utilisé le package gganimate. Celui-ci permet d’interpoler les différentes dates intermédiaires entre chaque année. Cette méthode est très efficace, mais comporte un détail non-négligeable. En effet, la dernière année n’apparaîtra pas sur la visualisation, car ce sont les dates intermédiaires qui seront affichées. L’animation représentera malgré tout la répartition des points pour cette date.
Le GIF permet d’observer une baisse significative générale à partir de 2019 du Score de générosité. L’explication derrière cette baisse est très certainement la crise sanitaire du covid. En effet, le monde a dû faire face à une pénurie des stocks de masques, à une pénurie du matériel médical, et du personnel médical, mais également à une longue attente et des stocks limités concernant les vaccins. Malgré cette baisse, il est toujours possible de remarquer que le Myanmar garde sa place de premier concernant le PIB.
Enfin, ce GIF montre que la richesse ne se traduit pas nécessairement par une plus grande générosité.
B.3) Scatterplot et GIF animé sur plusieurs années en fonction des régions et pays du lien entre le Bonheur et la Générosité
Dans cette partie, sera tracé un scatterplot en 2015 du Score de générosité en fonction du Score de générosité, ainsi qu’un GIF animé permettant d’observer l’évolution du scatterplot sur plusieurs années. Ces visualisations permettront de répondre à la question : “Est-ce que le fait d’être généreux rend heureux et inversement ?”
B.3.1) 2015
Dans un premier temps, une fonction generate_scatter_H_Generosity est crée permettant par la suite de représenter facilement le scatterplot pour n’importe quelle année. Ici, elle sera appliquée sur l’année 2015. Cette fonction sera également très utile pour la shinyApp.
Le scatterplot précédent permet d’observer qu’il n’y a pas forcément de corrélation entre le Score de bonheur et le Score de générosité. En effet, le Myanmar n’a pas un Score de bonheur élevé alors que c’est le pays le plus généreux en 2015. De même pour :
- l’Indonésie,
- La Syrie,
- Haiti,
- La Somalie,
- Bhutan
En revanche la Thailande, le Royaume-Uni et l’Irelande ont des Score de bonheur et Score de générosité élevés.
Le graphique permet d’observer globalement que : - Les pays d’Afrique ne sont pas forcément moins généreux que les autres régions alors qu’ils sont très malheureux. - Les pays d’Europe de l’ouest ont des Score de bonheur très élevés, mais ne sont pas forcément généreux, - Les pays d’Asie du sud sont très généreux mais pas forcément heureux.
B.3.2) Création de l’animation du scatterplot Bonheur/Générosité au fil des années
Le but sera ensuite de créer une animation type GIF, celle-ci permettra d’étudier le scatterplot sur plusieurs années comme ci-après :
Tout comme le GIF, crée dans la partie B.2), on observe qu’il y a à partir de 2019 une grande baisse générale du Score de générosité. Ceci est sûrement dû à la crise sanitaire du covid.
B.4)Est ce que les Pays avec un gros un PIB sont les plus heureux?
Dans cette partie, sera tracé un scatterplot en 2015 du Score de générosité en fonction du Score de bonheur, ainsi qu’un GIF animé permettant d’observer l’évolution du scatterplot sur plusieurs années. Les visualisations permettront donc de répondre à la question : “Est-ce qu’un pays riche est forcément heureux ?”
B.4.1) 2015
Dans un premier temps, une fonction generate_scatter_H_GDP est créer permettant par la suite de représenter facilement le scatterplot pour n’importe quelle année. Ici, elle sera appliquée sur l’année 2015. Cette fonction sera également très utile pour la shinyApp.
Ce graphique montre une corrélation claire et nette des variables PIB et Score de bonheur. Cette corrélation linéaire est d’ailleurs accentuée par la geom_smooth(). Ainsi, plus le pays est riche et plus celui-ci a un Score de bonheur élevé. Les régions :
- Europe de l’Ouest,
- Amérique du Nord et Océanie,
sont donc très heureuse et riche contrairement à Afrique subsaharienne.
B.4.2) Création de l’animation du scatterplot PIB/Bonheur au fil des années
Le but sera ensuite de créer une animation type GIF, celle-ci permettra d’étudier le scatterplot sur plusieurs années.
Le GIF nous permet de voir que globalement : - Les pays d’Europe de l’Ouest sont les plus riches et les plus heureux. - Les pays d’Afrique sub-saharienne sont les plus pauvres et les plus malheureux. - Les pays d’Asie du Sud ne sont pas très riches mais plutôt heureux.
En revanche, on remarque qu’il semble y avoir eu de grands changements en 2020 concernant le PIB de certains pays, notamment en Afrique sub-Saharienne. En effet, de nombreuses baissent peuvent être observées, ceci est probablement dû à la crise du covid. Pour confirmer ou infirmer cette observation des line charts seront tracés ultérieurement.
B.5) Bubble plot représentant le Score social en fonction du PIB
B.5.1) Création de bubble Plot sur plusieurs années concernant la corrélation entre Score social et PIB en 2015
Le Gif animé de la partie B.4.2 a montré que le Score de bonheur était très corrélé aux PIB, i.e., plus un pays est riche et plus ses habitants sont heureux. Il est alors légitime de se demander s’il en va de même concernant le Score social et le PIB. Ainsi, nous pourrons vérifier ce questionnement au moyen d’un bubble Chart, qui ajoutera une variable supplémentaire, ici le Score de bonheur en fonction de la taille des bulles. Ainsi, plus une bulle est grande, plus le Score de bonheur est élevé.
Rappelons que le Score social mesure notre entourage, c’est-à-dire le nombre d’amis, le nombre de membres dans la famille, les personnes proches, celles qui nous entourent au quotidien.
Ce scatterplot montre que le :
- Score de bonheur,
- PIB,
- Score social
sont très corrélés. En effet, plus un pays a un PIB élevé et plus son Score social et Score de bonheur sont élevés. C’est notamment le cas pour les régions :
- Europe de l’Ouest,
- Amérique du Nord et Océanie
Néanmoins, notons que la pente de la droite de régression n’est pas aussi forte que celle entre le Score de bonheur et le PIB.
B.5.2) Création de l’animation du scatterplot Score social/PIB au fil des années
Cette animation permettra d’observer les corrélations sur plusieurs années de manière plus simple et agréable.
Le GIF permet d’observer une baisse significative du Score social en 2019 et que celle-ci stagne en 2020. Ceci peut certainement s’expliquer par la crise du covid. En effet, lors de cette crise, beaucoup de personnes se sont renfermées et ont réduit leur entourage. De plus, durant cette crise, des millions de personnes sont mortes, ce qui pourrait également expliquer la baisse générale du Score social.
B.5.3) Création de bubble Plot sur plusieurs années concernant la corrélation entre Espérance de vie, PIB et Bonheur en 2015
Enfin, il paraît pertinent d’étudier conjointement les comportements du Score d’espérance de vie, PIB, et Score de bonheur. Nous devrions observer une forte corrélation entre ces trois variables. En effet, plus le PIB est haut, et plus l’état peut aider les populations à se soigner et ainsi l’espérance de vie devrait évoluer de la même manière, de même pour le Score de bonheur.
Le graphique ci-dessus met en évidence une corrélation linéaire entre le PIB et le Espérance de vie. De plus, cette corrélation est aussi liée au Score de bonheur. En effet, plus un pays est riche, plus son espérance de vie est haute et plus la population du pays est heureuse. Ainsi, les pays d’Europe de l’Ouest et d’Amérique du Nord, ainsi que l’Australie et la Nouvelle-Zélande, font partie des régions où il fait bon vivre.
Cependant, notons que cette corrélation est évidente d’un point de vue monde, mais en est-il de même en changeant d’échelle ? Est-ce que cette corrélation est toujours vraie au sein du continent africain ? Nous répondrons ultérieurement à cette question dans la partie B.10, au moyen d’une Treemap.
B.5.4) Création de l’animation du scatterplot PIB /Espérance de vie moyenne au fil des années
Cette animation permettra d’observer les corrélations sur plusieurs années de manière plus simple et agréable.
Ces graphiques montrent de manière évidente une corrélation linéaire entre Espérance de vie et le PIB.
Ce résultat est loin d’être surprenant. En effet, plus un pays est riche et plus il a les moyens de subvenir aux soins nécessaires de santé pour ces populations qui ont ainsi une moyenne de vie plus élevée.
En revanche, on remarque qu’il y a une grande baisse de l’espérance de vie moyenne en 2019 et 2020, celle-ci est très certainement liée aux nombreux morts du covid.
B.6) Bilan des corrélations linéaires entre variables
Nous avons donc étudié au travers des parties précédentes plusieurs scatterplot, i.e., les liens entre différentes variables du dataset. Certaines corrélations étaient linéaires, d’autres pas. Pour résumer, les corrélations linéaires, nous avons donc créé deux corplot, ci-après :
Ce graphe de corrélation met en évidence la corrélation linéaire entre le Score de bonheur, le PIB, le Espérance de vie, le Score social. Ainsi, plus le Pays est riche, plus ces habitants ont une grande espérance de vie, plus ils ont un entourage conséquent et plus ils sont heureux.
Rappelons qu’ici, ce sont des corrélations linéaires dont il s’agit. Pour en savoir plus sur les variables, les régions et les pays, nous allons donc effectuer d’autres visualisations.
De plus, on remarque que le Score de liberté et le Score de corruption sont très corrélés. Puisque ces deux indicateurs sont très similaires en sens et sont très corrélés, nous n’étudierons que le Score de corruption.
Ainsi, nous avons fait le choix de porter notre étude dans les prochaines parties sur le Score de bonheur par le biais de différentes visualisations entre les régions et entre les pays. Le but sera ainsi de répondre aux questions : ” Comment est réparti le Score de bonheur dans le monde, entre les régions, et entre les pays et comment évolue-t-il ?”
B.7) Barplot type 1
B.7.1) Barplot donnant la mediane du Score de bonheur au sein des régions en 2015
Dans cette partie, nous tenterons d’avoir des premières idées, informations concernant le Score de bonheur entre les différentes régions du monde. C’est pourquoi, nous étudierons, ici, un barplot donnant la médiane du score du bonheur entre les régions afin de pouvoir les comparer entre elles.
En observant cette visualisation, nous pouvons dans un premier temps remarquer que 2 régions se démarquent des autres de par leur supériorité médiane de Score de Bonheur. En effet, la région Europe de l’Ouest et Amérique du nord et Australie et Nouvelle Zélande ont un médian bien supérieur aux autres régions.
Nous pouvions s’attendre à cette différence, car nous avons pu remarquer que parmi les variables les plus corrélées positivement avec le score de bonheur se trouvent :
- PIB
- Espérance de vie
Or, ces deux régions sont les deux régions du monde les plus développées.
Il est aussi assez aisé d’observer que les régions ayant le moins grand score de bonheur médian sont les régions d’Afrique Sub-Saharienne et d’Asie du Sud.
Cette répartition de score de bonheur selon les régions peut s’expliquer par différents facteurs comme par exemple l’éspérance de vie, mais surtout, car ces régions sont depuis longtemps des zones de conflits.
Enfin, nous pouvons dire que le profil médian de toutes ces régions du monde est celui de l’Asie du Sud-Est. En effet, son score de bonheur arrive au niveau exact de la médiane du score de bonheur.
L’évolution de ce score au fil du temps peut être analysée avec le graphique suivant.
B.8.2) Animation des barplot sur plusieurs années
Cette animation permettra d’observer les corrélations sur plusieurs années de manière plus simple et agréable.
On peut remarquer sur ce graphique que la médiane du Score de bonheur ne varie pas énormément pour les deux régions ayant un score très élevé.
Ce n’est en revanche pas le cas pour d’autres régions où la situation est beaucoup moins stable comme l’Afrique du nord et le Moyen Orient qui a vu son score baisser drastiquement à partir de l’année 2018 jusqu’à nos jours. En effet, en plus de la situation très peu stable des pays de ces régions, l’ont a pu observer en 2018 de multiples censures de la liberté d’expression, de conflit armé et d’impact sur les droits humains (Plus d’informations via ce [lien] (https://www.amnesty.org/fr/latest/research/2019/02/human-rights-in-the-middle-east-and-north-africa-2018/)).
A contrario, l’Asie du sud-est a jusqu’en 2017 baisser en niveau de bonheur pour connaître à la suite une croissance lui permettant de dépasser le score de l’Afrique du nord et du Moyen Orient.
Pour mieux observer la répartition des scores de bonheur des pays au sein même des régions, nous pouvons tracer un histogramme groupant les pays entre régions identiques. C’est pourquoi dans la partie suivante, nous créerons un RoudBar Chart.
B.9) RoundBar
B.9.1) Roundbar chart donnant le Happiness Score au sein des régions en 2015
Dans cette partie, nous réalisons donc un roundbar, celui-ci permettra comme expliqué précédemment d’observer de manière plus précise la répartition des scores du bonheur des pays au sein d’une même région.
Barplot circulaire de l’Happiness Score en 2015
Afin de mieux visualiser les disparités qui peuvent exister entre les pays au sein d’une même région, nous avons pu tracer un barplot circulaire en fonction du score de bonheur pour chacun des pays.
La taille des barres de ce graphique n’est cependant pas à l’échelle et a été modifiée. En effet, pour accentuer les différences, le score a été modifié par cette formule : \(score_{roundbar} = 1.8^{score}\).
On peut assez aisément observer que les pays se trouvant au sein de l’Amérique du nord / Océanie ont un score de bonheur bien plus élevé qu’en Afrique subsaharienne. La répartition de ce score est, en effet, assez homogène au sein des deux régions.
La répartition est en revanche très hétérogène en Europe de l’Ouest où se trouvent les pays les “plus heureux” du monde. On observe ainsi que certains pays de cette région ont un score de bonheur non loin de l’Afrique Subsaharienne qui est la région la “moins heureuse”.
Une différence que nous pouvons noter avec l’analyse du graphique précédent est la présence de certains pays dont le score de bonheur est assez élevé bien que se trouvant dans une région en dessous de la médiane mondiale. On peut donc observer que cette région est très hétérogène contrairement à l’Afrique Subsaharienne.
Enfin, ce roundbar met en évidence que la région subsaharienne bien que contenant le plus de pays de notre jeu de données, contient presque tous les pays les “moins heureux” du monde.
B.9.2) Evolution du score de bonheur au sein des régions à partir de 2015
Cette animation permettra d’observer les corrélations sur plusieurs années de manière plus simple et agréable.
Cette animation, nous permet de remarquer qu’au cours du temps, les différences générales entre les régions ne varient pas énormément. Ainsi, l’Afrique subsaharienne reste toujours en dernière place avec les valeurs de score les plus petites et les deux régions Europe de l’Ouest et Amérique du nord/Australie et Nouvelle Zélande qui ont les scores les plus élevés.
En revanche, il faut savoir que sur ce graphique, les pays sont toujours ordonnés de la même manière au sein de leurs régions respectives. Ainsi, nous pouvons comparer les différentes variations qui subviennent au cours des années. Les variations au sein de la région Moyen Orient et Afrique du nord sont assez marquées. Celles-ci peuvent être expliquées par les différents conflits et l’instabilité des pays de cette région du monde concernant le Moyen Orient.
Il n’est cependant pas aisé de voir comment sont répartis les différents scores de bonheur sur cette visualisation. Essayons une autre manière d’observer cette répartition.
B.10) Ridge Plot
B.10.1) Ridge Plot donnant la répartition du Score de bonheur en 2015
Après s’être interrogé sur les différents liens entre les variables, on peut, se demander quelle est la répartition du Score de bonheur par exemple au sein de chaque région sur différentes années. Pour ce faire, nous avons tracé un ridge plot en 2015 :
Sur cette visualisation, nous pouvons parfaitement observer la répartition des scores de bonheur entre les pays au sein d’une même région.
Ainsi, nous remarquons que la région Moyen Orient et Afrique du Nord possède le profil le plus hétérogène parmi toutes les régions présentées. En effet, le minimum se trouve presque au plus bas au niveau mondial et son maximum dépasse la moyenne des régions Amérique du Nord et Australie/Nouvelle Zélande et Europe de l’Ouest. On retrouve cependant la plus grande densité aux alentours de 5 sur l’échelle du score de bonheur, ce qui est en dessous de la moyenne mondiale.
Comme nous pouvions le voir sur les graphiques précédents, l’Afrique Subsaharienne est assez homogène et on trouve une grande partie des pays autour de 4 sur l’échelle du bonheur.
L’Europe de l’Ouest quant à elle bien qu’assez étalée, trouve sa moyenne/sa plus grande densité de pays au même niveau que pour la région des Etats Unis.
On remarque d’ailleurs que la région Amérique du Nord et Australie/Nouvelle Zélande est très peu répartie. Cela est dû au nombre très faible de pays dans cette région (\(n_{pays} = 4\)).
B.10.2) Evolution de la répartition du score de bonheur au cours du temps
Cette animation permettra d’observer les corrélations sur plusieurs années de manière plus simple et agréable.
Animation sur les Ridges lines de l’Happiness Score
Sur cette visualisation, nous arrivons très bien à observer l’évolution de la répartition des scores de bonheurs des différentes régions.
L’Asie du Sud-est voit ainsi une partie de ses pays baisser drastiquement en bonheur à partir de 2019-2020 et s’éloigner du groupe majoritaire. Cela est certainement dû au Covid, car la population y a connu des confinement très restrictifs pendant de longs moments, empêchant ainsi les liens sociaux ainsi que la liberté, qui sont toutes deux très corrélées au score de bonheur.
Il est aussi possible de voir que l’Asie du Sud-est voit son homogénéité croître. Les Scores de bonheurs des différents pays se rapprochent de plus en plus en avançant dans le temps.
Les régions Européennes et Amérique du nord/ Australie et Nouvelle-Zélande ne connaissent en revanche pas de grands changements au niveau de la répartition des scores de bonheur.
B.11) Treemap
B.11.1) Repartition de l’Espérance de vie en Afrique Subsaharrienne au moyen d’un treemap en 2015
L’espérance de vie est une donnée très importante, puisque celle-ci est révélatrice de nombreux problèmes dans un pays. Ainsi, il nous paraissait important d’étudier ce paramètre notamment en ce qui concerne le continent africain. Nous savons en effet, qu’il y existe de nombreuses disparités entre les différents pays, mais également au sein même des pays.
C’est pourquoi nous avons voulu répondre dans un premier à la question :“Y a-t-il des disparités au niveau de l’espérance de vie entre pays d’Afrique ?” et “Comment est répartie l’espérance de vie en Afrique ?”. Nous chercherons également à répondre à la question soulevée dans la partie B.5.2). En effet, nous nous demandions si la corrélation entre le PIB et le Espérance de vie était vrai au sein des régions notamment en Afrique.
Pour ce faire, nous avons utilisé une Treemap. Ce type de visualisation permet d’avoir une vue d’ensemble, une première vision des choses. Comme précédemment, nous détaillerons les observations pouvant être faite sur l’année 2015. Puis, un GIF sera créé afin de pouvoir étudier de manière générale la répartition du Score d’espérance de vie en Afrique sub-saharienne.
Cette Treemap révèle de nombreuses disparités en Afrique. En effet, l’espérance de vie est très différente entre les pays. Nous remarquons tout d’abord que le pays avec la plus grande espérance de vie est la Mauritanie. Ce pays, se trouvant au sud du Maroc, est une ancienne colonie française ayant obtenu son indépendance en 1960. Son espérance de vie peut s’expliquer en raison de son haut PIB. En effet, son Score de PIB est à 0,40 là où la plupart des autres pays d’Afrique ont des Score de PIB négatifs. La Mauritanie tient sa richesse de la pêche, l’agriculture et l’élevage. D’ailleurs, en 2015, l’UE met en place un nouveau partenariat avec la Mauritanie permettant d’appliquer des protocoles de pêches durables et fait don de 4 millions d’euro pour les communauté locales vivant de la pêche. En effet, les côtes mauritaniennes sont parmi les plus poissonneuses au monde.
Enfin, la Treemap met en lumière le fait que la corrélation entre le PIB et l’Espérance de vie n’est pas nette en Afrique sub-saharienne. En effet, l’Afrique du Sud et Botswana font partie des pays les plus riches d’Afrique et pourtant, l’espérance de vie y est très faible. Ces deux pays en plus de partagées des frontières, sont liés économiquement. Leurs économies se composent en des services et des mines, avec une très faible part d’industries et d’agriculture. Par ailleurs, le Botswana est un des pays les moins corrompu d’Afrique. En effet, le régime politique est une république mêlant le régime présidentiel et démocratie représentative. Mais alors pourquoi l’espérance de vie y est si faible ? Cela s’explique par un nombre important de la population touché par le VIH. Celui-ci est une véritable épidémie pour le pays. Le virus touche toutes les tranches d’Age. En effet, les Botswanais ont été victimes de leur manque d’éducation sexuelle.
B.11.2) Evolution de l’Espérance de vie et du PIB au sein de l’Afrique Sub-Saharienne à partir de 2016
Nous avons ici décidé pour étudier l’évolution de créer toutes les treemap puisque concevoir un GIF n’était pas possible avec cette nouvelle library.Les graphiques, GIF précédent montrent qu’il y a une réelle évolution à partir de 2016 pour le Botswana où l’espérance de vie est beaucoup plus haute qu’en 2015. En effet, la lutte contre le VIH menée par le gouvernement botswanais semble porter ses fruits. Plusieurs mesures ont été mises en place :
- Le budget du pays pour les soins représente 25 % du budget total du Botswana,
- Des traitements et suivis psychologiques sont mis à disposition gratuitement pour les individus porteurs du virus.
- Suivis des jeunes enfants nés d’une mère porteuse du VIH/Sida,
- Sensibiliser les jeunes aux risques et conséquences du virus.
Enfin, pour aucune année, on observe une nette corrélation entre le PIB et le l’Espérance de vie.
B.12) Barplot type 2
B.12.1) Répartition du Score de Bonheur au sein des régions en 2015
Les graphiques type ridge, barplot et roundbar tracés dans les parties B.8,B.9 et B.10 décrivent le Score de Bonheur de différentes régions. De plus, les différentes treemap dans la partie précédente donnent plus de détail concernant la répartition de l’espérance de vie au sein de l’Afrique Sub-Saharienne .
Pour résumer, nous avons vu que l’Afrique sub-saharienne n’était pas l’une des régions les plus heureuse, en effet les graphiques type ridge montrent que le Score du bonheur est faible et que l’écart-type à la moyenne est fort, i.e., cet indicateur est très dispersé. De plus, la treemap met en évidence qu’il y a un grand nombre de disparités au niveau de l’espérance de vie. Ainsi, il est légitime de se demander comment est réparti le Score de Corruption au sein de cette région, qui est une variable très corrélée linéairement au Score de bonheur. Nous étudierons ainsi le barplot en 2015, puis un GIF permettant d’observer l’évolution au fil des années appliqués à la région d’Afrique Sub-Saharienne.
Dans un premier temps, une fonction est créée afin de pouvoir la réutiliser par la suite pour visualiser le Score de corruption des Pays en Afrique en 2015 ainsi qu’un GIF permettant d’étudier ce paramètre sur plusieurs années.
Le barplot ci-dessus met en évidence les grandes disparités en Afrique. En effet, les PIB sont très différents selon les pays. Par ailleurs, il est aisé de remarquer que la grande majorité des pays ont des scores en dessous de la moyenne de la région. La plupart des pays ont des Score de corruption très faible, i.e., ils sont très corrompus. Seul :
- La Somalie,
- Le Rwanda,
- Djibouti,
ont des Score de corruption supérieurs à la moyenne. Ces pays sont ainsi les moins corrompus d’Afrique en 2015. Comme expliqué dans la partie B.2, le gouvernement rwandais mène une lutte anti-corruption sans relâche, c’est pourquoi, ce pays rayonne au niveau mondial en 2015, en étant le pays le moins corrompu du monde. De plus, Djibouti et la Somalie, en plus d’avoir des Score de corruption élevé, partagent des frontières. Cependant, elles divergent sur un point : le régime politique. En effet, bien que les deux vouent une lutte acharnée contre la corruption, la Somalie est plus proche d’une démocratie avec son système bicaméral alors que bien qu’indépendant depuis 1977 Djibouti est une république considérée comme autoritaire. En effet, tout le pouvoir est détenu par la famille présidentielle.
B.12.2) GIF de la répartition du score de Bonheur au sein des régions à partir de 2015
Cette animation permettra d’observer la répartition du score du Bonheur sur plusieurs années de manière plus simple et agréable.
Dans l’ensemble le Score de corruption évolue dans le négatif. Il n’y a pas d’observation commune générale. En effet, les fluctuations semblent dépendre des pays. De plus, il est important de noter que certains pays ne sont présents que pour certaines années, ainsi suivre une évolution n’est pas possible. En revanche, il est possible d’observer l’évolution complète de certains pays comme le Burundi et le Lesotho. Ceux-ci ont des comportements très opposés.
Pour le Lesotho, on observe un Score de corruption négatif, qui augmente entre 2015 et 2018 et qui baisse de manière drastique à partir de 2020. En effet, cette monarchie constitutionnelle, se composant d’un parlement bicaméral, n’a durant la crise du covid déclaré aucun cas suspect jusqu’en mai 2020. Néanmoins, ce pays de 2 millions d’habitants n’avait aucun kit de dépistage avant avril 2020 et ils n’ont pu accéder à la vaccination complète qu’en 2022. De plus, le Lesotho est le dernier pays d’Afrique à avoir signalé un cas de covid pendant la pandémie. Ainsi, cette baisse drastique en 2020 peut s’expliquer par la crise du covid et donc le manque de confiance générale de la population envers son gouvernement.
En ce qui concerne, le Burundi, on observe une hausse du Score de corruption en 2018. Le Burundi, est une république constitutionnelle. D’ailleurs, en 2019, Gitega la deuxième plus grande ville du pays, est devenue la capitale politique. En effet, le Sénat, ainsi que la présidence s’y sont installés. De plus, un événement qui pourrait expliquer cette hausse du Score de corruption est la révision faite en 2018 de la constitution. Celle-ci propose l’intégration d’un Premier ministre par exemple. Néanmoins, toutes ces observations sont à prendre avec du recul. En effet, cette constitution inclut également le passage du mandat présidentiel de 5 à 7 ans. Par ailleurs, les opposants estiment avoir été bâillonnés et décrivent un climat de peur lors du referendum.
Ainsi, on peut donc conclure qu’en Afrique l’évolution du Score de corruption est propre au pays étudié.
B.13) Violin Chart
Après avoir analysé les différentes répartitions des scores de bonheur entre les différentes régions du monde, nous pouvons nous demander comment sont répartis l’espérance de vie qui est très corrélée linéairement avec le score de bonheur, et la générosité, qui ne l’est pas.
B.13.1) Violin chart sur l’Espérance de vie au sein des régions du monde
Commençons avec l’espérance de vie. Nous savons que cette variable est très corrélée linéairement au bonheur, nous devrions ainsi retrouver une répartition très similaire aux différentes visualisations que nous avons décrites auparavant.
Sur ce diagramme en violon, nous pouvons obtenir la moyenne de l’espérance de vie, la médiane ainsi que les extremums pour chaque région du monde dans notre jeu de données.
Pour commencer notre analyse, il faut soulever la très grande disparité qui peut exister entre certaines régions. La première, et la plus notable, et celle entre l’Europe de l’Ouest et l’Afrique Subsaharienne. Placés tout à droite de cette visualisation, la première région possède une répartition très faible de l’espérance de vie et comporte la moyenne la plus haute avec\(\mu = 0.91\). À contrario, la seconde, qui placée juste à côté, trouve sa moyenne \(\mu = 0.28\) au plus bas de toutes autres régions. Sa répartition en revanche, montre que l’Afrique subsaharienne est très inégale concernant l’espérance de vie. On retrouve ainsi le pays avec le plus grand score au même niveau que la plupart des régions du monde, mais la moitié de tous les pays de cette région trouvent son score d’espérance de vie en dessous de tout ce qui existe dans les autres régions du monde.
Dès lors, nous pouvons considérer que l’Afrique subsaharienne est la région avec le plus faible niveau d’espérance de vie. En cause, sa situation sanitaire très instable. Cette instabilité peut être induite par de multiples facteurs comme des maladies létales type paludisme ou choléra, qui peuvent proliférer faute de systèmes de santés et stables, mais aussi et tout simplement par le très faible PIB par habitants au sein de cette région du monde.
Une autre région du monde possède presque les mêmes caractéristiques que l’Europe de l’ouest. C’est l’Amérique du nord et l’Australie/Nouvelle-Zélande. Cette région ne déroge pas à la règle, car possède une fois encore une espérance de vie très élevée avec une répartition très faible. Ce qui n’est pas le cas de l’Asie de l’est. Bien que cette région possède une moyenne \(\mu = 0.88\), les scores des pays sont assez répartis.
Les autres régions du monde possèdent quant à elle des espérances de vie similaires entre elles avec une moyenne d’environ \(\mu = 0.7\).
B.13.2) Violon Plot mesurant le Score de générosité pour toute les régions du monde en 2015
De plus, le scatterplot tracé dans la partie B.2.2), n’a pas permis une observation d’une corrélation linéaire entre la générosité et le PIB, ainsi, il est légitime de se demander si la générosité est culturelle. Pour ce faire, il peut être intéressant de visualiser le score de générosité au moyen de Violon plot pour chacune des régions et s’il est plus ou moins homogène. Nous avons ici fait le choix de n’étudier que l’année 2015.
Le violin chart précédent donne la moyenne, l’écart-type ainsi que le nombre de pays au sein des différentes régions du monde en ce qui concerne le Score de générosité en 2015.
Notons dans un premier temps que certaines régions ne se composent que de 4 pays, c’est le cas notamment de Amérique du Nord et Océanie. Contrairement à la région Europe centrale et de l’est qui se constitue de 29 pays. Ainsi, on pourrait dire que donner une interprétation de ce graphique ne serait pas forcément cohérente au vu du nombre d’individus très différents par région. Cependant, rappelons que les Etats-Unis sont aussi grands que toute l’Europe. Ainsi, il y a certes moins de pays, mais tout autant de population. Tachons de garder, néanmoins, cette information en tête lors de l’interprétation.
De plus, pour interpréter ce graphique, nous partons du principe que chaque région à une culture propre. En effet, nous supposons que deux pays très proches, géographiquement, ont la même culture, même si nous avons conscience qu’il existe de nombreux contre-exemples.
Ainsi, en partant des principes énumérés précédemment, on remarque la région la plus généreuse en 2015 est : Amérique du Nord et Océanie. En effet, la moyenne de cette région est très élevée, et l’écart-type est très faible. Mais celle-ci ne contient pas le pays le plus généreux du monde. En effet, celui-ci se trouve en Asie du sud est, c’est le Mynamar (ex-Birmanie), comme observé dans la partie B.2.2). Au sein de la région Asie du Sud-Est, la moyenne est très haute, mais l’écart-type l’est tout autant.
En ce qui concerne :
- Europe centrale et de l’est,
- Asie de l’Est,
- Amérique latine et Caraïbes,
- Moyen-Orient et Afrique du Nord,
- Afrique Subsaharienne,
ces régions ont des profils similaires. En effet, leurs moyennes sont proches. Mais surtout, leurs moyennes semblent être des médianes. En effet, il semble y avoir le même nombre de pays au-dessous et en dessous de celles-ci. Ajoutons que pour Amérique latine et Caraïbes, Moyen-Orient et Afrique du Nord et Afrique Subsaharienne ont de nombreux pays qui se trouvent autour de la moyenne.
Enfin, en ce qui concerne la région Europe de l’Ouest et Asie du Sud-Est , ce sont deux régions avec de haut Score de générosité. Cependant, la dispersion est bien plus grande en Europe de l’Ouest qu’en Asie du Sud-Est.
Ainsi, il n’est pas possible de réellement conclure concernant cette question, non pas à cause de la visualisation, mais à cause du dataset et de la définition de “culture”. En effet, comme souligné auparavant deux pays proches, géographiquement, n’ont pas forcément la même culture. Dans notre dataset par exemple, la Suisse et l’Italie sont dans la même région : Europe de l’Ouest et partagent des frontières. Cependant, en Italie, la culture est latine alors qu’en Suisse, elle est plus germanique. Afin, d’avoir une réelle idée précise de cet indicateur, il aurait fallu étudier au sein d’un même pays la répartition des individus dit “généreux” et mener une étude statistique type ACM et ainsi étudier les clusters de personnes généreuses au sein des pays.
B.13)LineChart
B.13.1) Line Chart donnant l’évolution du Score du Bonheur en Europe en 2015
Dans cette partie, il sera étudié le Score du bonheur de 8 pays sélectionné en amont en Europe sur 6 ans à partir de 2015. En effet, ici, le but est d’observer l’évolution Score du bonheur au fil des années en Europe. En effet, après étudié la répartition du Score du bonheur dans différentes régions via des, ridge graph et , il semble intéressant d’étudier l’évolution de celui-ci sur des pays que nous connaissons. Le but sera donc de faire une résumer de l’évolution de cet indicateur à partir de 2015. Nous répondrons à la question :“Comment évolue le Score du bonheur dans différents pays d’Europe à partir de 2015 ?”.Tout d’abord, on remarque qu’il y a 4 groupes. En effet :
- Groupe 1: la Suisse et la Norvège
- Groupe 2: Royaume-Uni et l’Allemagne
- Groupe 3: France et l’Italie
- Groupe 4 : La Grèce et le Portugal
ont des Score du bonheur très similaires. Ces groupes sont classés par ordre décroissant de Score du bonheur i.e., le groupe 1 a un score plus élevé que le groupe 2, etc.
Dans l’ensemble, il y a une hausse du Score du bonheur au fil des années. Celle-ci est plus ou moins significative selon le groupe.
En ce qui concerne, le groupe 1 la hausse est très légère. En effet, les courbes de la Suisse et la Norvège sont assez stables et hautes par rapport aux autres pays. Néanmoins, on observe une très légère baisse en Norvège depuis 2018. Cette baisse s’est accentuée notamment en 2020. Ceci est certainement dû à la crise du covid, néanmoins cette baisse reste légère. En effet, la manière dont la crise a été gérée fut exemplaire puisque la Norvège était l’un des pays avec l’indice de résilience au covid le plus élevé. C’était l’un des pays d’Europe où il faisait bon vivre même lors de l’ère du coronavirus. Ceci est certainement dû aux PIB très élevés du pays qui a ainsi eu les moyens d’apporter les soins nécessaires à sa population. De plus, notons qu’il y a une grande différence d’éducation des populations entre Pays d’Europe du Nord et d’Europe du Sud ou de l’est. En effet, les populations des pays scandinaves et Suisse sont réputées pour être plus responsable et appliquer les conseils de leurs gouvernements.
Au sein du groupe 2, on remarque que le Royaume-Uni a eu une très grande hausse entre 2017 et 2018 contrairement à l’Allemagne où le Score de bonheur est constant sur les six années. En effet, le 17 mars 2017 Theresa May, ancienne première ministre du Royaume-Uni, annonce officiellement son intention de se retirer de l’Europe. En 2018, il subsiste encore une grande incertitude à propos du Brexit, mais Theresa remporte une voix de défiance. De plus, on remarque une grande fluctuation au Royaume-Uni, de 2020 à 2021, en effet, 54% de la population du Royaume-Uni estime ne pas etre satisfait de la gestion du covid par leur gouvernement contre seulement 12% en Allemagne (Source: Statista; Comment le gouvernenement a-t-il géré la crise).
Le groupe 3 se compose de la France et de l’Italie. On remarque étonnement une grande hausse du Score de bonheur entre 2018 et 2021. Cette hausse se confirme par une enquête menée par Statista qui montre que 60% des Français en 2020 étaient satisfaits de la gestion de la crise du covid contre 74% en Italie. De plus, cette période bien que triste a permis à beaucoup de personnes de se recentrer, se retrouver, méditer et prendre le temps de réfléchir à leur vie et leurs futurs projets. En effet, comme a dit le sociologue Jeffrey Sachs:“Il n’est pas sûr que le monde soit plus heureux maintenant, mais le monde est plus axé sur le bonheur et le bien-être qu’il ne l’était il y a dix ans. Et cela en soi nous offre un espoir que nous pouvons transformer cette meilleure compréhension en un vrai bonheur dans le monde”. Cette période a permis un bon nombre de reconsidérations dans la vie des populations. En effet, il y a eu énormément de reconversions et une prise de conscience de la pénibilité de certaines professions comme celle du corps médical ou bien des éboueurs par exemple.
Le groupe 4 se compose de la Grèce et du Portugal. Ces deux pays ont tout deux la même tendance croissante. Mais restent tout de même avec des Score de bonheur beaucoup plus faible que les autres pays. En effet, de part le* corplot* partie B.6, on sait que le Score de bonheur est très corrélé linéairement au PIB. Or les PIB du Portugal et de la Grèce sont parmi les plus faibles d’Europe de l’Ouest. En effet, la Grèce a notamment été victime de la crise économique de 2008. Rappelons que cette crise a eu de lourdes conséquences puisqu’il y eut une forte hausse des prix du pétrole et des produits agricoles. La cause de cette crise semble provenir d’une période de crédit facile. Ainsi, la Grèce essaie de manière fragile de conserver sa croissance même si celle-ci a été très menacée par la crise du covid de 2020.
Ce graphique est en cohérence avec la géographie des pays en Europe. En effet, plus le pays est au sud et à l’est moins il est heureux. Rappelons, que le PIB est très corrélé au Score du bonheur, et que le PIBdes Pays d’Europe de l’Est et du sud-est bien plus faible que les pays d’Europe de l’Ouest et du Nord.
B.13.2) Création d’une fonction réalisant un line chart avec un sample de pays en fonction du paramètre étudié dans une région donnée
Dans cette partie, il a été codé une fonction permettant de créer des line Chart dynamique. Cette fonction sera notamment utile pour l’application shinyApp. Nous l’utiliserons notamment pour répondre à la question posée dans la partie B.4: “Y a t il eu une réelle baisse du PIB de 2019 à 2020?”.
Le LineChart précédent montre bien une baisse générale du PIB de 2019 à 2021. Cette baisse est observée également pour la Mauritanie qui est l’un des pays les plus riches d’Afrique sub-Saharienne.
B.14) RadarChart
Le RadarChart peut permettre d’observer, comparer un paramètre choisi tel que le Score social entre différents pays. Ici, nous avons fait le choix d’étudier deux graphiques. Comme montré précédemment dans la partie B.6), le Score social est corrélé de manière générale linéairement au PIB et à l’Espérance de vie. Il est ainsi légitime de se demander comment est réparti le Score social en Afrique par exemple. En effet, nous avons observé précédemment via une treemap que le Espérance de vie était très différent selon les pays. En est-il de même pour le Score social ? Pour observer au mieux les différents Score social un Radar Chart sera utilisé.
Rappelons que le Score social mesure notre entourage, c’est-à-dire le nombre d’amis, le nombre de membres dans la famille, les personnes proches, celles qui nous entourent au quotidien.
Dans un premier temps, nous utilisons une fonction dynamique qui sera utilisée dans la ShinyApp.
Appliquons la fonction à l’Afrique Sub-Saharienne en 2015 :
Le Radar plot met en évidence de faible Score social en Afrique sub-saharienne. En effet, les scores se trouvent tous en dessous de 1. Les pays ayant un score élevé sont :
La Mauritanie,
L’Afrique du Sud,
Le Lesotho,
Djibouti,
Le Sénégal,
La Tanzanie,
Botswana etc.,
Ce sont tous des pays qui ont un Score de PIB supérieur à -1.5. Contrairement à Centre Afrique qui a un Score social nul et d’un Score de PIB très faible également. Ainsi, en 2015, en Afrique, on peut remarquer une certaine corrélation linéaire même si le taux d’accroissement de celle-ci est petit. Ainsi, plus un pays est riche et plus l’entourage d’une personne est grand. En effet, cela peut s’expliquer que lorsque le pays est riche les habitants peuvent avoir d’autres activités que de travailler pour assurer une rentabilité et ainsi plus sociabiliser et avoir un cercle de connaissance plus large.
## [,1]
## [1,] 0.407151C) Conclusion
Ce projet a été une bonne première approche afin d’explorer, découvrir ces datasets. En effet, nous avons pu réaliser de multiples visualisations dans le temps à partie qui ont permis de donner une idée des liens entre les variables et les individus plus ou moins évidents. Nous avons pu par exemple, découvrir qu’il existait une forte corrélation linéaire entre l’espérance de vie moyenne, le bonheur et le PIB du pays. En effet, cela semble logique, plus un pays est riche, plus l’état peut subvenir aux soins et aux besoins des malades et les populations sont ainsi plus heureuse. Par ailleurs, nous avons pu remarquer par le biais de scatterplot, ou des corplot que le score de corruption était très faiblement lié linéairement au score de bonheur, de même pour le PIB et le score de générosité qui ne sont pas du corrélés. Cette observation fut étonnante puisqu’on pourrait penser que moins un pays est corrompu et plus les populations sont heureuses, et que plus un pays est riche plus celui-ci est généreux. Ce genre de situation met en évidence qu’il faut faire attention aux visualisations. En effet, ce n’est pas parce qu’il n’y a pas de lien linéaire entre deux variables, qu’il n’y a pas de lien. De plus, les visualisations se basent sur un dataset crée par un organisme, celui-ci a donc dû faire des choix au niveau du calcul des scores par exemple, mais également du découpage du monde en région. Et c’est avec ce genre de considérations que l’on s’aperçoit des limites des visualisations. Celles-ci permettent de donner une première idée, une première vue, afin d’avoir un a priori sur le dataset et d’orienter le choix de test statistiques qui pourraient être ensuite pertinentes à mener. Mais on ne peut en aucun conclure avec une seule visualisation. Ceci est très clairement visible notamment avec la visualisation partie B. de treemap. En effet, nous avions observé via un scatterplot représentant tous les pays que globalement la moyenne de l’espérance de vie était très corrélée au PIB. Ainsi, le but de la treemap était de visualiser si cette observation était similaire au sein des pays en Afrique sub-saharienne. On s’est très vite aperçu que non avec l’exemple du Botswana qui a un très haut PIB en Afrique, mais qui pourtant en 2015 avait l’espérance de vie la plus faible d’Afrique. Pour finir, nous allons chacun donner trop un ressenti à propos du projet :
Ambre: Pour ma part, j’ai trouvé ce projet très intéressant et très complémentaire d’autres ues telles que MT15, FQ03 ou SY02 par exemple. En effet, venant de génie industriel, j’avais déjà utilisé R auparavant, mais seulement pour effectuer des tests statistiques et algorithmes type heuristique ou de machine learning non supervisé, c’était donc très intéressant d’apprendre à utiliser les packages de visualisation et d’ainsi ajouter une corde à mon arc. De plus, j’ai pu apprendre beaucoup de par les visualisations et les recherches annexes qu’elles m’ont menées à faire. Enfin, je pense que ce genre d’ue est essentielle de part la demande que j’ai pu observer dans les divers entretiens de stage.
Dorian: Réaliser ce projet sur le bonheur dans le monde a été pour moi très enrichissant. Que ce soit d’un point de vue technique, car j’ai pu grandement approfondir mes connaissances dans le langage R, mais aussi du point de vue culturel. En effet, nous avons pu développer nos compétences autour d’un thème que nous avions choisi et qui comptait pour nous. En effet, analyser sous tous les angles comment était réparti le bonheur dans le monde m’intriguait énormément. Je désire m’orienter vers les métiers de la Data Science et c’est pourquoi avoir pu réaliser un projet d’une telle envergure sur l’étape de réalisation de visualisation pour en tirer des informations/interprétations sera un réel atout dans ma future carrière.
Ismael: Ce projet a été pour moi très intéressant. En effet, il m’a d’abord permis d’acquérir des compétences techniques avec l’apprentissage du langage R. J’ai aussi pu découvrir l’environnement de développement RStudio que je n’avais jamais utilisé ainsi que la marche à suivre pour créer des rapports avec les fichiers rmd. La visualisation de données n’est pas nécessairement ce que j’affectionne le plus, cependant, ce projet m’a quand même permis de comprendre la “puissance” de ses langages pour faire parler les données. J’ai aussi pu découvrir de nouvelles visualisations très utile que je ne connaissais pas, comme les treeMaps.
Bibliographie
https://www.kaggle.com/datasets/ajaypalsinghlo/world-happiness-report-2022 https://worldhappiness.report/)